Класифікація МРТ зображень мозку з використанням автоматичної сегментації і текстурного аналізу

Анотація

Пухлина мозку є доволі тяжкою формою захворювання людини. Його своєчасне виявлення, а також визначення конкретного типу пухлини, є актуальною задачею в сучасній медицині. Для визначення пухлини останнім часом використовують методи сегментації на трьохвимірних зображеннях мозку, таких як комп’ютерна чи магнітно-резонансна томографія. Однак, зазвичай сегментацію проводять вручну, через що тратиться немала кількість часу, до того ж все залежить від досвіду лікаря. В даній роботі розглядається можливість створення методу для автоматичної сегментації зображень. В якості навчальної вибірки була взята медична база магнітно-резонансних томографій мозку з трьома типами пухлин: менінгіома, гліома і пухлина гіпофізу. З врахування різних зрізів база мала в наявності: 708 прикладів менінгіоми, 1426 прикладів гліоми і 930 прикладів пухлини гіпофізу. Авторами бази були розмічені області інтересу на кожному знімку, що було використано в якості вчителя для моделі автоматичної сегментації. Перед тим як створювати модель були проаналізовані існуючи на даний момент популярні методи сегментації. В якості найбільш підходящого для поставленої в дослідженні задачі методу автоматичної сегментації була взята архітектура глибокої згорткової нейронної мережі U-Net. В результаті її використання була отримана модель, яка на тестовій вибірці із шістсот знімків зуміла в сімдесяти чотирьох процентах випадків правильно відсегментувати зображення. Після отримання моделі автоматичної сегментації, для класифікації пухлин мозку були побудовані моделі «випадкового лісу» для трьох задач «один проти всіх», а також для мультикласової задачі. Перед побудовою моделей загальні вибірки були поділені на навчальну (70 %), тестову (20 %) і екзаменаційну (10 %). На екзаменаційній вибірці точність моделей варіюється від 84 до 94 відсотків. Для побудови класифікаційних моделей використовувались ознаки, отримані за методами текстурного аналізу, і яку були розроблені співавторами із кафедри Біомедичної кібернетики в задачі класифікації ультразвукових досліджень печінки. Вони також були порівняні з загальновідомими текстурними ознаками Хараліка. Порівняння показало, що кращий спосіб домогтися точної моделі класифікації, це об'єднати всі ознаки в один стек.